Predecir la edad pediátrica a partir de radiografías de tórax utilizando el aprendizaje profundo: un enfoque novedoso

Área de la Ciencia:

• Radiología
• Inteligencia artificial
• Pediatría

Sus antecedentes:

• La estimación precisa de la edad pediátrica es crucial para la evaluación del desarrollo y las aplicaciones forenses.
• Los métodos tradicionales se basan en la evaluación de la edad ósea a través de rayos X de la muñeca.
• El aprendizaje profundo ofrece potencial para utilizar otras modalidades radiológicas como las radiografías de tórax.

Objetivo del estudio:

• Evaluar la efectividad del aprendizaje profundo para la estimación de la edad pediátrica utilizando radiografías de tórax.
• Desarrollar y validar un modelo de red neuronal profunda para este propósito.

Principales métodos:

• Se desarrolló una red neuronal profunda basada en ResNet con Atención Coordinada.
• Se utilizó un gran conjunto de datos de 128.008 radiografías de tórax pediátricas.
• El error absoluto medio (MAE) y la correlación de Spearman fueron las métricas de evaluación clave.

Principales resultados:

• El modelo logró una EMA baja (alrededor de 5,8-7,4 meses) en conjuntos de validación interna y externa.
• El coeficiente de correlación de Spearman excedió el 0,98, lo que indica una gran precisión en la predicción de la edad.
• El análisis del mapa de calor mostró que el modelo se centró en estructuras anatómicas como la columna vertebral y el mediastino.

Conclusiones:

• Las radiografías de tórax se pueden utilizar de manera efectiva para una estimación precisa de la edad pediátrica con aprendizaje profundo.
• El modelo desarrollado demuestra su robustez y potencial como complemento de la evaluación tradicional de la edad ósea.
• Este enfoque puede reducir la exposición a la radiación y ayudar a detectar un crecimiento y desarrollo anormales.